📘 ACT · 策略迁移与泛化
30章 · 从模仿到通用
01
ACT算法核心回顾
从模仿学习到行为克隆的演进，架构与损失函数解析
02
策略迁移基础
什么是策略迁移？迁移学习在机器人操控中的价值与挑战
03
领域随机化
原理介绍、参数空间设计、在ACT中的应用案例
04
域适应
特征对齐、对抗性训练、与ACT策略的结合点
05
多任务学习与ACT
共享表示与任务特定头，梯度冲突解决策略
06
元学习入门
MAML算法原理，让ACT学会快速适应新任务
07
数据增强策略
图像扰动、动力学参数扰动、动作噪声注入
08
仿真到现实迁移
关键挑战、系统辨识、域随机化实战技巧
09
跨形态迁移
从单臂到双臂，从夹爪到灵巧手，ACT迁移路径
10
跨场景迁移
光照、背景、相机视角变化下的ACT策略泛化
11
跨物体迁移
同一技能在不同形状、大小、材质物体上的泛化
12
策略蒸馏
将多个专家策略压缩到一个ACT模型中
13
渐进式神经网络
为ACT添加新任务而不遗忘旧任务
14
弹性权重巩固(EWC)
缓解ACT在连续学习中的灾难性遗忘
15
记忆重放策略
经验回放在ACT迁移中的高效采样方法
16
表征解耦
学习与任务无关的鲁棒特征
17
对比学习在ACT中应用
通过对比损失学习更通用的视觉表征
18
逆动力学模型辅助迁移
利用IDM进行状态对齐与动作映射
19
基于模型的迁移
学习环境动力学，辅助ACT策略在不同动态下适应
20
分层强化学习与ACT
高层规划与低层ACT执行的迁移框架
21
课程学习
为ACT设计由易到难的训练序列
22
模仿学习专家数据增强
数据混合、轨迹拼接提升泛化性
23
对抗攻击与防御
评估ACT策略鲁棒性，提升抗干扰能力
24
在线适应与微调
部署后ACT策略的快速在线调整方法
25
模型集成策略
多个ACT模型的投票与融合机制
26
不确定性估计
在ACT中引入贝叶斯方法，量化迁移风险
27
因果推断与泛化
从因果视角理解ACT策略的迁移失败原因
28
评估指标与基准
如何科学评估ACT策略的迁移与泛化能力
29
案例研究：仿真到真实厨房
ACT策略迁移全流程
30
前沿趋势与开放问题
基础模型、大语言模型与ACT的融合展望